Время – преимущество и главный подвох темпоральных графов.
У меня уже было несколько постов про темпоральные графы, но всё равно напомню, что это такое.
Темпоральный граф – это граф, рёбра которого имеют привязку ко времени.
Это отличное решение, когда нужно проанализировать взаимоотношения между сущностями и изменения этих отношений во времени.
Так в чём же подвох?
В ситуации с «темпоральный граф, как слой памяти AI-агента» существуют следующие задачи:
1. Загрузка архива с событиями. Чтобы не заполнять граф «с чистого листа».
2. Добавление нового события посредством LLM с выделением из события сущностей с временными метками и добавление его в граф.
Если в первом случае использовать загрузчик по-умолчанию, то он, скорее всего, посчитает, что все ваши архивные события произошли в момент, когда вы отправили их в граф. А это, как правило, не так.
Более того – дата добавления в граф тоже может быть для вас важна. Поэтому для собственных событий стоит выделить отдельное поле, куда будет загружаться дата+время, когда событие произошло (так как не всегда оно попадает в граф моментально).
Выделение сущностей и временных меток скрывает чуть более сложный подвох. В натуральном общении мы очень редко указываем дату и год, когда событие произошло. И именно год LLM додумает самостоятельно. В своём уникальном стиле. То есть не всегда правильно.
Решение для данных типов задач вижу следующее:
Для работы с памятью, основанной на темпоральных графах, придётся писать кастомный процесс для загрузки и извлечения данных. Этот процесс должен быть ориентирован на те события, с которыми планируете работать.
Так как, игнорируя вопросы времени, очень сложно получить положительный эффект от использования темпорального графа.
Добавить комментарий